姿態感知建模以減輕觸覺手套中的姿態相關偽影

觸覺手套作為機器人感知外部世界的重要介面，其效能直接影響到機器人操作的精確性和可靠性。在靈巧操作、遠端操作以及從示範中學習等任務中，觸覺手套透過內建的柔性感測器陣列來感知手與物體之間的接觸力和壓力分佈。然而，這類柔性感測器存在一個固有的缺陷：它們不僅對外部接觸力敏感，也對自身因手部姿態變化而產生的機械變形敏感。這種由姿態變化引起的感測器訊號變化被稱為姿態相關偽影（PRA）。PRA的存在使得在低力範圍內，真實的接觸訊號容易被淹沒，導致接觸檢測的延遲或錯誤，從而顯著提高了手套的最小可檢測力（MDF），即能夠可靠檢測到的最小力量值。

面對這一挑戰，研究人員提出了一種創新的演算法解決方案，即姿態感知力估計模型。該模型的核心思想是利用手部姿態資訊（例如，透過運動捕捉系統或慣性測量單元獲得）來預測和補償PRA。具體而言，該模型在傳統的觸覺到力的轉換管道中增加了一個殘差預測分支，該分支專門用於估計由姿態引起的感測器變形，並將其從原始訊號中減去，從而得到更純淨的力訊號。這一方法的最大優勢在於其手套無關性：它不需要對硬體進行任何改動，可以輕鬆部署到現有的手套平臺上。

為了驗證方案的有效性，研究者在三種不同的手套設計上進行了全面的實驗評估，這些手套在感測器型別、佈局和材料上有所差異。他們招募了15名不同手部尺寸和運動習慣的受試者，執行了多種手部動作和互動任務。實驗結果顯示，該框架能夠將MDF降低10.4%至18.3%，具體取決於手套設計和使用者。此外，在力估計精度、響應時間和魯棒性等其他指標上也觀察到了一致的效能提升。

這項研究的實際意義在於，它提供了一種低成本、高效率的途徑來改善觸覺手套的可用性。透過簡單的演算法升級，即可顯著提升手套的感測效能，這對於推動機器人觸覺技術在更廣泛場景中的應用具有重要價值。資料收集、遠端操作和機器人學習等領域都將從這一進步中受益。未來，該框架還有望結合深度學習等方法，進一步校準和最佳化，實現更精細的觸覺感知。該研究成果已發表於arXiv，並獲得了學術界的關注。

綜上所述，姿態感知建模為解決觸覺手套中的姿態相關偽影提供了有效的技術手段，不僅降低了最小可檢測力，還提升了力感測的整體可靠性。該方法為機器人觸覺領域的發展注入了新的活力，也為相關產品的改進指明瞭方向。